آموزش سیستم های توصیه با TensorFlow در Google Cloud

Recommendation Systems with TensorFlow on Google Cloud

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: در این دوره، دانش خود را در مورد مدل‌های طبقه‌بندی و تعبیه‌ها برای ایجاد خط لوله ML که به عنوان یک موتور توصیه عمل می‌کند، به کار می‌گیرید. این پنجمین و آخرین دوره از سری یادگیری ماشین پیشرفته در Google Cloud است. در این دوره، دانش خود را در مورد مدل‌های طبقه‌بندی و جاسازی‌ها برای ایجاد خط لوله ML که به عنوان موتور توصیه عمل می‌کند، به کار می‌گیرید. این پنجمین و آخرین دوره از مجموعه یادگیری ماشین پیشرفته در Google Cloud است.

سرفصل ها و درس ها

بررسی اجمالی سیستم های توصیه Recommendation Systems Overview

  • معرفی Introduction

  • سیستم های توصیه Recommendation Systems

  • معرفی Introduction

  • معرفی Introduction

  • انواع سیستم های پیشنهادی Types of Recommendation Systems

  • مبتنی بر محتوا یا مشارکتی Content-Based or Collaborative

  • مشکلات سیستم توصیه Recommendation System Pitfalls

  • بحث Discussion

  • طراحی یک سیستم توصیه Designing a Recommendation System

سیستم های توصیه مبتنی بر محتوا Content-Based Recommendation Systems

  • سیستم های توصیه مبتنی بر محتوا Content-based Recommendation Systems

  • سیستم های توصیه مبتنی بر محتوا Content-Based Recommendation Systems

  • اقدامات شباهت Similarity Measures

  • ساختن یک بردار کاربر Building a User Vector

  • ارائه توصیه ها با استفاده از بردار کاربر Making Recommendations Using a User Vector

  • ارائه توصیه برای بسیاری از کاربران Making Recommendations for Many Users

  • مقدمه آزمایشگاه: ایجاد یک سیستم توصیه مبتنی بر محتوا Lab intro:Create a Content-Based Recommendation System

  • آزمایشگاه: فیلترینگ مبتنی بر محتوا با دست Lab: Content-Based Filtering by Hand

  • راه حل آزمایشگاهی: یک سیستم توصیه مبتنی بر محتوا ایجاد کنید Lab Solution:Create a Content-Based Recommendation System

  • استفاده از شبکه های عصبی برای سیستم های توصیه مبتنی بر محتوا Using Neural Networks for Content-Based Recommendation Systems

  • معرفی آزمایشگاه: ایجاد یک سیستم توصیه مبتنی بر محتوا با استفاده از یک شبکه عصبی Lab Intro:Create a Content-Based Recommendation System Using a Neural Network

  • آزمایشگاه: فیلترینگ مبتنی بر محتوا با استفاده از شبکه های عصبی Lab: Content-Based Filtering using Neural Networks

  • راه حل آزمایشگاهی: ایجاد یک سیستم توصیه مبتنی بر محتوا با استفاده از یک شبکه عصبی Lab Solution:Create a Content-Based Recommendation System Using a Neural Network

سیستم های توصیه فیلتر مشترک Collaborative Filtering Recommendation Systems

  • فیلتر مشارکتی Collaborative Filtering

  • انواع داده های بازخورد کاربر Types of User Feedback Data

  • جاسازی کاربران و آیتم ها Embedding Users and Items

  • رویکردهای فاکتورسازی Factorization Approaches

  • الگوریتم ALS The ALS Algorithm

  • آماده سازی داده های ورودی برای ALS Preparing Input Data for ALS

  • ایجاد تانسورهای پراکنده برای ورودی WALS کارآمد Creating Sparse Tensors For Efficient WALS Input

  • نمونه سازی یک برآوردگر WALS: از ورودی به برآوردگر Instantiating a WALS Estimator:From Input to Estimator

  • نمونه سازی یک برآوردگر WAL: رمزگشایی TFRecords Instantiating a WAL Estimator:Decoding TFRecords

  • نمونه سازی برآوردگر WALS: بازیابی کلیدها Instantiating a WALS Estimator:Recovering Keys

  • نمونه سازی برآوردگر WALS: آموزش و پیش بینی Instantiating a WALS Estimator:Training and Prediction

  • مقدمه آزمایشگاه: فیلتر کردن مشارکتی با داده های Google Analytics Lab Intro:Collaborative Filtering with Google Analytics Data

  • آزمایشگاه: فیلتر مشارکتی در داده های Google Analytics Lab: Collaborative Filtering on Google Analytics data

  • راه حل آزمایشگاهی: فیلتر مشارکتی با داده های Google Analytics Lab Solution:Collaborative Filtering with Google Analytics Data

  • مشکلات مربوط به فیلتر مشارکتی Issues with Collaborative Filtering

  • نسخه ی نمایشی WALS تولید شده Productionized WALS Demo

  • شروع سرد Cold Starts

شبکه های عصبی برای سیستم های توصیه Neural Networks for Recommendation Systems

  • شبکه های عصبی برای سیستم های توصیه Neural Networks for Recommendation Systems

  • سیستم های توصیه ترکیبی Hybrid Recommendation Systems

  • آزمایشگاه: طراحی یک سیستم توصیه ترکیبی Lab:Designing a Hybrid Recommendation System

  • آزمایشگاه: طراحی یک سیستم توصیه فیلتر مشارکتی ترکیبی Lab:Designing a Hybrid Collaborative Filtering Recommendation System

  • آزمایشگاه: طراحی یک سیستم توصیه مبتنی بر دانش ترکیبی Lab:Designing a Hybrid Knowledge-based Recommendation System

  • معرفی آزمایشگاه: ساخت یک سیستم توصیه ترکیبی شبکه عصبی Lab Intro:Building a Neural Network Hybrid Recommendation System

  • آزمایشگاه: ML در GCP: توصیه های ترکیبی با مجموعه داده MovieLens Lab: ML on GCP: Hybrid Recommendations with the MovieLens Dataset

  • راه حل آزمایشگاهی: ساخت یک سیستم توصیه ترکیبی شبکه عصبی Lab Solution:Building a Neural Network Hybrid Recommendation System

  • سیستم های توصیه آگاه از زمینه Context-Aware Recommendation Systems

  • الگوریتم های آگاه از زمینه Context-Aware Algorithms

  • پس فیلترینگ متنی Contextual Postfiltering

  • مدل‌سازی با استفاده از الگوریتم‌های Context-Aware Modeling Using Context-Aware Algorithms

  • مطالعه موردی سیستم توصیه YouTube: بررسی اجمالی YouTube Recommendation System Case Study:Overview

  • مطالعه موردی سیستم توصیه YouTube: نسل نامزد YouTube Recommendation System Case Study:Candidate Generation

  • مطالعه موردی سیستم توصیه YouTube: رتبه بندی YouTube Recommendation System Case Study:Ranking

  • خلاصه Summary

ساختن یک سیستم توصیه سرتاسر Building an End-to-End Recommendation System

  • ساختن یک سیستم توصیه سرتاسر Building an End-to-End Recommendation System

  • معرفی Introduction

  • نمای کلی معماری Architecture Overview

  • بررسی اجمالی Cloud Composer Cloud Composer Overview

  • Cloud Composer:DAGs Cloud Composer:DAGs

  • Cloud Composer: Operators for ML Cloud Composer:Operators for ML

  • Cloud Composer: برنامه ریزی Cloud Composer:Scheduling

  • Cloud Composer: راه اندازی گردش کار با توابع ابری Cloud Composer:Triggering Workflows with Cloud Functions

  • Cloud Composer: Monitoring and Logging Cloud Composer:Monitoring and Logging

  • معرفی آزمایشگاه: سیستم توصیه‌های انتها به انتها Lab Intro:End-to-End Recommendation System

  • آزمایشگاه: سیستم توصیه از پایان به پایان Lab: End to End Recommendation System

خلاصه Summary

  • خلاصه Summary

  • خلاصه درس 1 Course Summary 1

  • خلاصه درس 2 Course Summary 2

نمایش نظرات

نظری ارسال نشده است.

آموزش سیستم های توصیه با TensorFlow در Google Cloud
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
6h 43m
69
Pluralsight (پلورال سایت) pluralsight-small
04 فروردین 1401 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
از 5
دارد
دارد
دارد
Google Cloud

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Google Cloud Google Cloud

ایجاد تحول دیجیتال با آموزش درخواستی

Google Cloud آموزش و گواهینامه های درخواستی را در فناوری های ابری در حال ظهور ارائه می دهد.

Google Cloud با صدها آزمایشگاه، دوره و نشان مهارت، متخصصان را قادر می‌سازد تا مهارت‌های ابری حیاتی را با سرعت خودشان ایجاد کنند. آزمایشگاه‌های عملی این شرکت اعتبارنامه‌های موقتی را به منابع واقعی ابر ارائه می‌دهند، بنابراین افراد می‌توانند Google Cloud را با استفاده از چیز واقعی یاد بگیرند. فراگیران همچنین می توانند با کسب گواهینامه های Google Cloud و/یا نشان های مهارتی که می توانند با شبکه خود به اشتراک بگذارند، تخصص خود را تأیید کنند.

در وب‌سایت رسمی Google Cloud بیشتر بیاموزید.

Pluralsight (پلورال سایت)

Pluralsight یکی از پرطرفدارترین پلتفرم‌های آموزش آنلاین است که به میلیون‌ها کاربر در سراسر جهان کمک می‌کند تا مهارت‌های خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دوره‌های آموزشی در زمینه‌های فناوری اطلاعات، توسعه نرم‌افزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه می‌دهد.

یکی از ویژگی‌های برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعه‌دهندگان و کارشناسان معتبر، دوره‌هایی را ارائه می‌دهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژی‌ها نگه می‌دارد. این امر به کاربران این اطمینان را می‌دهد که دوره‌هایی که در Pluralsight می‌پذیرند، با جدیدترین دانش‌ها و تجارب به روز شده‌اند.